NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığının erken teşhisi, zamanında müdahale için kritik öneme sahiptir. Uyku mimarisindeki bozulmalar ve fiziksel aktivite desenlerindeki değişiklikler motor semptom başlangıcından yıllar önce bildirilmiştir, ancak uyku ve gündüz aktivite kalıplarını kapsayan prodromal davranış değişiklikleri, geleneksel klinik araçlarla tespit edilmesi zor ve incedir. Giyilebilir sensörler, bu davranışları doğal ortamlarda izlemek için ölçeklenebilir bir araç sağlar, ancak yüksek frekanslı, etiketsiz zaman serilerinden anlamlı, yorumlanabilir özellikler çıkarmak büyük bir zorluk olmaya devam etmektedir. Parkinson hastalığı riskinin bilek-yıpranmış ivmeölçerlikten otomatik özellik çıkarma ve zamanın teşhis için hayatta kalma modellemesi yoluyla değerlendirilmesi için uçtan uca bir çerçeve sunuyoruz. Davranışsal durumlar, fiziksel aktivite sınıflandırması için gizli Markov modellerine sahip rasgele ormanlar ve kendi kendini denetleyen öğrenme tabanlı uyku evreleme modeli de dahil olmak üzere önceden eğitilmiş modeller kullanılarak etiketlenmemiş verilerden türetilmiştir. Hem uyku aşamasını hem de fiziksel aktivite dizilerini, günün zamanına ve zamansal çözünürlüğe göre tabakalanmış hiyerarşik olmayan Markov zincirlerini kullanarak, bireysel düzeyde davranışsal ritimleri ve geçiş dinamiklerini karakterize ederek birlikte modelliyoruz. Gradient-boosted Cox oransal tehlike modelleri daha sonra bu geçişe dayalı özelliklerden Parkinson hastalığı riskini tahmin etmek için kullanılır. UK Biobank'ın ivmeölçer verilerine uygulanan yaklaşımımız, dinamik modellemeyi dışlayan veya geleneksel fonksiyonel veri analizine dayanan temelleri geride bırakırken, giyilebilir sensör verilerinin uzun dizilerinden yorumlanabilir tahminler sunar. Bu, önceden eğitilmiş AI modellerini, zamansal dizi modellemesini ve hayatta kalma analizini nörodejenerasyonun erken davranışsal imzalarını tespit etmek için entegre etme potansiyelini göstermektedir.
Özgün kaynak özetini okuyun
Early identification of Parkinson's disease is critical for timely intervention. Disruptions in sleep architecture and changes in physical activity patterns have been reported years before motor symptom onset, yet prodromal behavioral changes spanning sleep and daytime activity patterns are subtle and difficult to detect with conventional clinical tools. Wearable sensors provide a scalable means of monitoring these behaviors in natural settings, but extracting meaningful, interpretable features from high-frequency, unlabeled time series remains a major challenge. We present an end-to-end framework for assessing Parkinson's disease risk from wrist-worn accelerometry via automated feature extraction and survival modeling of time to diagnosis. Behavioral states are derived from unlabeled data using pretrained models including random forests with hidden Markov models for physical activity classification and a self-supervised learning based sleep staging model. We jointly model both sleep stage and physical activity sequences using hierarchical nonstationary Markov chains stratified by time of day and temporal resolution, characterizing individual-level behavioral rhythms and transition dynamics. Gradient-boosted Cox proportional hazards models are then used to estimate Parkinson's disease risk from these transition-based features. Applied to accelerometer data from the UK Biobank, our approach outperforms baselines that exclude dynamic modeling or rely on traditional functional data analysis, while providing interpretable predictors from long sequences of wearable sensor data. This demonstrates the potential of integrating pretrained AI models, temporal sequence modeling, and survival analysis to detect early behavioral signatures of neurodegeneration.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.